基于SVM算法的超聲波速度-土壤含水率估計模型

摘要 為快速準(zhǔn)確獲取土壤含水率信息，便于農(nóng)業(yè)精準(zhǔn)灌溉，引入支持向量機(jī)算法（SVM）對4 種不同干濕交替處理下超聲波速度與土壤含水率進(jìn)行擬合分析和回歸訓(xùn)練優(yōu)化，構(gòu)建基于超聲波速度的土壤含水率預(yù)測模型。結(jié)果顯示，與傳統(tǒng)的烘干法相比較，利用該模型在田間驗證土壤含水率，平均相對誤差為1.5% 左右。研究結(jié)果表明，基于SVM 模型構(gòu)建的超聲波速度-土壤含水率預(yù)測模型能夠較好地描述被研究區(qū)域內(nèi)土壤含水率，可為利用超聲波特性實現(xiàn)對農(nóng)田土壤水分的持續(xù)監(jiān)測提供參考。

關(guān)鍵詞 土壤含水率； 超聲波速度； SVM 算法； 干濕交替

中圖分類號 S152.7 文獻(xiàn)標(biāo)識碼 A 文章編號 1000-2421（2024）02-0247-07

土壤水分的有效性對植被的光合及蒸騰作用起著關(guān)鍵作用，土壤水分不僅是作物賴以生長的重要因素之一［1-2］，而且是肥料能否被作物有效利用的重要前提。目前常用的土壤含水率檢測方法如烘干法、電導(dǎo)率法和紅外線檢測法等都存在著檢測時間長、精確度不高的問題，提高土壤含水率信息獲取速度及準(zhǔn)確率一直是現(xiàn)代農(nóng)業(yè)領(lǐng)域的熱點和難點［3］。

土壤的基本物理參數(shù)如顆粒尺寸、孔隙度、含水量等，在降雨入滲、土體水分蒸散等氣象條件或灌溉排水等水文循環(huán)過程中都會發(fā)生相應(yīng)變化，直接導(dǎo)致土壤微結(jié)構(gòu)的改變［4-5］。聲波作為一種良好的信息載體，在戶外田間傳播會受淺層土壤物理性質(zhì)的影響，而接收波中攜帶了與土壤相關(guān)的基本物理參數(shù)及微結(jié)構(gòu)變化的相關(guān)信息，因此，聲學(xué)檢測技術(shù)在土壤檢測領(lǐng)域表現(xiàn)出強(qiáng)有力的優(yōu)勢［6］。如Wei 等［7］利用TH204 型非金屬超聲波測試系統(tǒng)在實驗室對土壤進(jìn)行超聲波測試，研究膨脹土干濕循環(huán)次數(shù)、循環(huán)幅度及含水率變化對超聲縱波速度的影響，并得到相關(guān)變化規(guī)律。Pan 等［8］利用超聲波速度和土壤體積質(zhì)量的雙重參數(shù)，在濕干交替條件下構(gòu)建了土壤含水量模型。Xu 等［9］改進(jìn)了Brutsaert 理論模型，獲得了較好的田間土壤含水量預(yù)測結(jié)果。另外，李君等［10］還考慮了田間土壤因經(jīng)歷多次干濕循環(huán)過程造成的結(jié)構(gòu)及物理性質(zhì)變化對檢測結(jié)果的影響，構(gòu)建在綜合考慮土壤歷經(jīng)多次干濕交替作用后土壤含水率與超聲波速度關(guān)系模型，預(yù)測誤差在6% 左右。然而在這些研究中，無論是采用了數(shù)據(jù)擬合數(shù)學(xué)模型或者是理論模型來描述聲學(xué)參數(shù)與土壤含水率之間的關(guān)系，模型的變動大且預(yù)測精度并不高。近年來隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)研究的深入，眾多學(xué)者嘗試應(yīng)用人工智能方法獲取土壤物理信息，如李志國等［11］利用改進(jìn)SVM 構(gòu)建了土體壓縮指數(shù)等的預(yù)測模型，李鐵牛等［12］提出了SVM 算法模型實現(xiàn)自動拾取土體微震初至波的方法，王辰璇等［13］在眾多算法中選擇了智能優(yōu)化的SVM 算法來評估農(nóng)業(yè)的可持續(xù)發(fā)展。與其他人工智能技術(shù)相比，支持向量機(jī)是在小樣本統(tǒng)計學(xué)理論與結(jié)構(gòu)風(fēng)險最小化基礎(chǔ)上建立的機(jī)器學(xué)習(xí)方法，不僅可以用來解決分類問題，對于函數(shù)回歸問題上也具有較好的泛化能力。

本研究考慮水分干濕交替對于土壤結(jié)構(gòu)的影響，對4 種不同程度干濕交替處理下的土壤含水率與超聲波速度進(jìn)行相關(guān)性試驗，并采用支持向量機(jī)（SVM）的機(jī)器學(xué)習(xí)算法構(gòu)建模型并選取優(yōu)化參數(shù)值，對比預(yù)測集的結(jié)果精確度，旨在引入機(jī)器學(xué)習(xí)算法實現(xiàn)聲學(xué)監(jiān)測農(nóng)田土壤含水率信息。